python - 如何使用 StorageStreamDownloader 从 blob 流式下载并将流式上传到不同的 blob?
问题描述
我相信我有一个非常简单的要求,解决方案让我感到困惑。我是azure-python-sdk的新手,并且在其新的 blob 流功能方面收效甚微。
一些上下文
我已经使用 Java SDK 好几年了。每个CloudBlockBlob对象都有一个BlobInputStream和一个BlobOutputStream对象。当BlobInputStream
打开 a 时,可以调用它的许多函数(最显着的是它的read()函数)以真正的流式方式检索数据。A BlobOutputStream
,一旦被检索到,就有一个write(byte[] data)函数,在该函数中,人们可以根据需要不断地写入数据,直到调用close()函数。所以,我很容易做到:
- 获取一个
CloudBlockBlob
对象,打开它BlobInputStream
并从本质上取回一个InputStream
“绑定”到CloudBlockBlob
. 它通常维护 4MB 的数据——至少,我是这么理解的。当从其缓冲区中读取一定数量的数据时,会引入新的(相同数量的)数据,因此它始终具有大约 4MB 的新数据(直到检索到所有数据)。 - 对该数据执行一些操作。
- 检索
CloudBlockBlob
我要上传到的对象,获取它BlobOutputStream
,然后将我对其进行了一些操作的数据写入其中。
一个很好的例子是如果我想压缩一个文件。我有一个GzipStreamReader
可以接受 anBlobInputStream
和 an的课程BlobOutputStream
。BlobInputStream
它会从BlobOutputStream
. 它可以根据需要多次调用 write();当它完成一整天的阅读时,它会关闭输入和输出流,一切都很好。
现在为 Python
现在,Python SDK 有点不同,显然是有充分理由的;该io
模块的工作方式与 JavaInputStream
和OutputStream
类(Blob{Input/Output}Stream
类继承自它们)不同。我一直在努力理解流在 Azure 的 python SDK 中的真正工作原理。首先,我只是想看看StorageStreamDownloader类是如何工作的。看起来像是我正在从中读取数据StorageStreamDownloader
的对象的“连接” 。如果我想将数据放入流中,我会创建一个新的并将该流传递给 readinto方法。BlockBlob
io.BytesIO()
StorageStreamDownloader
对于上传,我会调用BlobClient的上传方法。upload 方法接受data
类型为 的参数Union[Iterable[AnyStr], IO[AnyStr]]
。
我不想对我所了解的内容进行过多的详细介绍,因为我所了解的以及我所做的一切都让我一无所获。我怀疑我期待的东西只有 Java SDK 提供。但是,总的来说,这是我遇到的问题:
- 当我调用download_blob时,我会返回
StorageStreamDownloader
blob 中的所有数据。一些调查表明,我可以使用offset
和length
来下载我想要的数据量。也许我可以用 a 调用一次download_blob(offset=0, length=4MB)
,处理我返回的数据,然后再次调用download_bloc(offset=4MB, length=4MB)
,处理数据等。这是不利的。我可以做的另一件事是利用max_chunk_get_size
参数BlobClient
并打开validate_content
标志(使其为真),以便StorageStreamDownloader
仅下载 4mb。但这一切都导致了几个问题:这并不是真正从stream
对象流式传输的。我还是得打download
几次readinto
电话。好吧,如果不是第二个问题,我会这样做: - 我如何流式传输上传?上传可以采用流。但是,如果流本身不自动更新,那么我只能上传一次,因为我处理的所有 blob 都必须是
BlockBlobs
. 该upload_function
函数的文档说我可以提供一个参数overwrite
:
关键字 bool overwrite:要上传的 blob 是否应该覆盖当前数据。如果为 True,upload_blob 将覆盖现有数据。如果设置为 False,则操作将失败并出现 ResourceExistsError。上面的例外是附加 blob 类型:如果设置为 False 并且数据已经存在,则不会引发错误并且数据将附加到现有 blob。如果设置 overwrite=True,则现有的附加 blob 将被删除,并创建一个新的。默认为假。
- 这是有道理
BlockBlobs
的,因为一旦写入,就无法再次写入。因此,AFAIK,您不能“流式传输”上传。如果我不能有一个直接绑定到 blob 或保存所有数据的流对象,那么 upload() 函数将在完成后立即终止,对吗?
好的。我确定我错过了一些重要的东西。io
对于Python中的模块,我也有些无知。尽管我已经使用 Python 进行了很长时间的开发,但我从来没有真正需要过于密切地处理那个模块。我确信我遗漏了一些东西,因为这个功能非常基本,并且存在于我所知道的所有其他 azure SDK 中。
回顾一下
老实说,我上面所说的一切都可以忽略,只阅读这部分;我只是想表明我已经做了一些尽职调查。我想知道如何从 blob 流式传输数据,处理我在流中获取的数据,然后上传该数据。我不能一次接收一个blob中的所有数据。Blob 可能超过 1GB 和所有漂亮的东西。老实说,我会喜欢一些示例代码,这些示例代码显示:
- 从流中的 blob 中检索一些数据(一次调用中接收的数据不应超过 10MB)。
- 压缩该流中的数据。
- 将数据上传到 blob。
这应该适用于所有大小的 blob;它的 1MB 或 10MB 或 10GB 都无关紧要。第 2 步可以是任何东西;它也可以什么都不是。只要数据被下载,插入到流中,然后上传,那就太好了。当然,另一个极其重要的限制是每次“下载”的数据量不应超过 10MB。
我希望这是有道理的!我只想流式传输数据。这不应该那么难。
编辑:
有些人可能想关闭它并声称该问题是重复的。我忘记包含一些非常重要的内容:我目前使用的是最新的、mot 最新的 azure-sdk 版本。我azure-storage-blob
的包的版本是12.5.0
. 还有其他问题类似于我对严重过时的版本提出的问题。我已经搜索了其他答案,但没有找到任何12+
版本。
解决方案
如果要分块下载azure blob,处理每个chunk数据并将每个chunk数据上传到azure blob,请参考以下代码
import io
import os
from azure.storage.blob import BlobClient, BlobBlock
import uuid
key = '<account key>'
source_blob_client = BlobClient(account_url='https://andyprivate.blob.core.windows.net',
container_name='',
blob_name='',
credential=key,
max_chunk_get_size=4*1024*1024, # the size of chunk is 4M
max_single_get_size=4*1024*1024)
des_blob_client = BlobClient(account_url='https://<account name>.blob.core.windows.net',
container_name='',
blob_name='',
credential=key)
stream = source_blob_client.download_blob()
block_list = []
#read data in chunk
for chunk in stream.chunks():
#process your data
# use the put block rest api to upload the chunk to azure storage
blk_id = str(uuid.uuid4())
des_blob_client.stage_block(block_id=blk_id, data=<the data after you process>)
block_list.append(BlobBlock(block_id=blk_id))
#use the put blobk list rest api to ulpoad the whole chunk to azure storage and make up one blob
des_blob_client.commit_block_list(block_list)
另外,如果你只是想将一个blob从存储位置复制到另一个存储位置,你可以直接使用该方法start_copy_from_url
推荐阅读
- makefile - Makefile:向编译文件添加横幅
- r - 查找分布在 data.frame 的 2 列中的成对重复
- spring-boot - 创建名为“rabbitListenerContainerFactory”的 bean 时出错
- python-3.x - Python CMD2 中断打印提示
- python - 如何将范围映射转换为字典
- ios - UIAlertcontroller 的可点击 url
- tensorflow - TensorFlow TFDV 不适用于图像
- c++ - 如何在 C++ 中正确管理发送到线程的消息
- python - Jupyter Notebook中Tensorflow中的导入错误
- sql - 如何计算不同的登录次数